ISSN: 0216-3284
907
Implementasi Metode K-Means Clustering untuk Pengelompokan Lulusan STMIK-Banjarbaru Berdasarkan Kompetensi Hugo Aprilianto1, Erfan Ramadhani2 Program Studi Teknik Informatika STMIK Banjarbaru1 Program Studi Sistem Informasi STMIK Banjarbaru2 Jl. A. Yani Km. 33,3 Loktabat Banjarbaru
[email protected],
[email protected]
Abstrak Setiap lulusan STMIK Banjarbaru memiliki IPK dan lama studi yang berbeda-beda, tapi dengan IPK dan lama studi saja tidak bisa menunjukkan kualitas kompetensi yang dimiliki oleh lulusan STMIK Banjarbaru. Sehingga dalam penelitian ini pengelompokan lulusan STMIK Banjarbaru tidak hanya berdasarkan IPK dan lama studi saja, tetapi ditambah nilai kompetensi tertentu. Untuk itulah perlu dibangun aplikasi pembantu dalam mengelompokkan lulusan STMIK Banjarbaru berdasarkan kompetensi dengan metode clustering K-Means. Algoritma KMeans adalah metode clustering berbasis jarak yang membagi data ke dalam sejumlah cluster dan algoritma ini hanya bekerja pada atribut numerik. Kelebihan metode k-means diantaranya adalah mampu mengelompokan objek besar dan pencilan objek dengan sangat cepat sehingga mempercepat proses pengelompokan. Pada penelitian ini akan digunakan algoritma clustering K-Means untuk mengelompokkan lulusan STMIK Banjarbaru berdasarkan kompetensi. Kata kunci: lulusan STMIK Banjarbaru, kompetensi, klastering K-Means.
Abstract Each graduate of STMIK Banjarbaru have different GPA and course duration, but just with GPA and course duration could not represent the quality of competence possessed by graduates of STMIK Banjarbaru. So in this research graduate of STMIK Banjarbaru agglutinations are not only based on GPA and course duration, but added value of specific competencies. For that need to build assistance applications in classifying STMIK Banjarbaru graduates based on competency with K-Means clustering method. K-Means algorithm is a distance-based clustering method that divides the data into a cluster and the algorithm only works on numeric attributes. Excess K-Means clustering method is capable of classifying objects such as large and outlier objects very quickly so can accelerate the process of grouping. This research will use K-Means clustering algorithm to group STMIK Banjarbaru graduate based on competency.
Keywords: graduates of STMIK Banjarbaru, competence, K-Means clustering.
1.
Pendahuluan
Seorang mahasiswa di STMIK Banjarbaru yang dinyatakan telah selesai program studinya berhak mendapatkan ijazah Sarjana STMIK Banjarbaru, dan gelar yang diperkenankan untuk dipakai adalah Sarjana Komputer (S.Kom). Setiap lulusan memiliki IPK dan lama studi yang berbeda-beda, semakin tinggi IPK dan semakin kecil lama studi maka akan semakin baik. IPK dan lama studi saja tidak bisa menunjukkan kualitas kompetensi yang dimiliki oleh lulusan STMIK Banjarbaru. Dari data lulusan STMIK Banjarbaru yang ada tidak bisa menunjukkan kualitas kompetensi yang dimiliki oleh masing-masing lulusan. Sehingga dalam pengelompokan lulusan STMIK Banjarbaru disini tidak hanya berdasarkan IPK dan lama studi Implementasi Metode K-Means Clustering untuk Pengelompokkan Lulusan … (Hugo A.)
908
ISSN: 0216-3284
saja, tetapi ditambah nilai kompetensi tertentu. Dengan dikelompokkannya lulusan berdasarkan IPK, lama studi dan nilai kompetensi tertentu dapat memberikan gambaran kualitas lulusan berdasarkan nilai kompetensi tertentu. Nilai kompetensi yang dipakai mengacu pada kompetensi Standar Kompetensi Kerja Nasional Indonesia (SKKNI) Telematika. Kompetensi tersebut disesuaikan dengan mata kuliah yang ada di STMIK Banjarbaru. Data lulusan STMIK Banjarbaru diklaster dengan menggunakan metode K-Means. Setelah data berhasil dikelompokkan maka dapat dilihat predikat kualitas lulusan berdasarkan kompetensi tertentu. Bisa saja seorang lulusan STMIK Banjarbaru pada satu kompetensi berpredikat kualitas lulusan sangat memuaskan tapi pada kompetensi lain berpredikat kualitas lulusan cukup memuaskan saja. Sehingga dapat terlihat di kompetensi mana saja seorang lulusan berpredikat kualitas lulusan sangat memuaskan, memuaskan dan cukup memuaskan.
2.
Metode Penelitian
Algoritma K-Means adalah metode clustering berbasis jarak yang membagi data ke dalam sejumlah cluster dan algoritma ini hanya bekerja pada atribut numerik [1]. K-Means merupakan algoritma clustering yang berulang-ulang. Algoritma K-Means dimulai dengan pemilihan secara acak K, K disini merupakan banyaknya cluster yang ingin dibentuk. Kemudian tetapkan nilai-nilai K secara random, untuk sementara nilai tersebut menjadi pusat dari cluster atau biasa disebut dengan centroid, mean, atau “means”. Hitung jarak setiap data yang ada terhadap masing-masing centroid menggunakan rumus Euclidian hingga ditemukan jarak yang paling dekat dari setiap data dengan centroid. Klasifikasikan setiap data berdasarkan kedekatannya dengan centroid. Lakukan langkah tersebut hingga nilai centroid tidak berubah (stabil) [2]. Clustering data menggunakan metode K-Means ini secara umum dilakukan dengan algoritma dasar sebagai berikut : 1. Tentukan jumlah cluster. 2. Alokasikan data ke dalam cluster secara random. 3. Hitung centroid/rata-rata dari data yang ada di masing-masing cluster. 4. Alokasikan masing-masing data ke centroid/rata-rata terdekat. 5. Kembali ke Step 3, apabila masih ada data yang berpindah cluster atau apabila perubahan nilai centroid, ada yang di atas nilai threshold yang ditentukan atau apabila perubahan nilai pada objective function yang digunakan di atas nilai threshold yang ditentukan [3] [4]. Acuan Mata Kuliah yang diambil untuk disesuaikan dengan kompetensi yang ada pada SKKNI Telematika yaitu kurikulum tahun akademik 2008/2009 dari buku panduan mahasiswa STMIK Banjarbaru tahun akademik 2008/2009. Rincian kompetensi dan mata kuliah yang dicakup adalah sebagai berikut : 1. Kompetensi Jaringan Komputer & Sistem - Jaringan Komputer 2. Kompetensi Operator - Sistem Basis Data - Pemrograman Internet 1 (HTML-XML) 3. Kompetensi Pemrograman Aplikasi - Pemrograman Berorientasi Obyek 1 (Delphi) - Pemrograman Internet 1 (HTML-XML) - Rekayasa Perangkat Lunak 4. Kompetensi Pemrograman Web - Pemrograman Internet 1 (HTML-XML) 5. Kompetensi Pemrograman Basis Data - Basis Data 1 (Pemrograman dBase) - Sistem Basis Data 6. Kompetensi Computer Technical Support - Sistem Operasi Aplikasi - Jaringan Komputer Adapun langkah dari pengelompokan data untuk tiap-tiap kompetensi adalah sebagai
PROGRESIF Vol. 9, No. 1, Pebruari 2013 : 861 – 918
PROGRESIF
ISSN: 0216-3284
909
berikut (dalam hal ini yang digunakan sebagai contoh yaitu kompetensi jarkom) : 1. Tentukan pusat cluster secara acak, misalkan kita tentukan c1 = (3.75 , 3.75 , 4); c2 = (4.25 , 3.25 , 3); dan c3 = (5.25 , 2.75 , 2). 2. Hitung jarak setiap data yang ada terhadap setiap pusat cluster. Misalkan untuk menghitung jarak data lulusan pertama dengan pusat cluster pertama adalah : = 1.86
d11 = Jarak data lulusan pertama dengan pusat cluster kedua adalah :
= 1.58
d12 =
Jarak data lulusan pertama dengan pusat cluster ketiga adalah : = 2.02
d13 = Hasil perhitungan selengkapnya pada tabel 1. Tabel 1. Hasil perhitungan jarak setiap data No.
Lama Studi
IPK
Jarkom
Bobot
1
NIM 310103010074
5.43
2.95
A
4
Akar D1 1.86075
Akar D2 1.57556
Akar D3 2.018019
2
310103010097
4.98
3.45
A
4
1.26606
1.25415
2.136095
3
310103010122
5.43
2.93
B
3
2.12009
1.22262
1.031891
4
310103010142
4.07
2.93
B
3
1.33222
0.36715
1.557177
5
310103010265
5.12
3.55
B
3
1.70789
0.92027
1.287206
6
310103010267
5.12
3.79
A
4
1.37058
1.43126
2.257986
7
310103010268
5.12
3.77
A
4
1.37015
1.42383
2.248844
8
310103010269
4.36
3.55
A
4
0.64195
1.04981
2.330687
9
310103010270
5.12
3.2
B
3
1.78309
0.87144
1.104264
10
310103020026
4.37
3.7
A
4
0.62201
1.10313
2.382625
11
310103020071
4
3.46
B
3
1.07079
0.3265
1.751171
12
310104010350
4.43
2.87
B
3
1.49559
0.42048
1.298769
13
310104010388
4.43
2.76
C
2
2.33292
1.12805
0.820061
14
310104010409
5.11
2.64
B
3
2.02032
1.05437
1.015726
15
310104010427
5.62
2.74
B
3
2.34883
1.46185
1.066302
16
310104010428
6.29
2.94
B
3
2.8474
2.06342
1.455232
17
310104010429
5.11
2.84
C
2
2.58412
1.3812
0.166433
18
310104010455
6.08
2.63
C
2
3.26853
2.17561
0.83863
19
310104010468
5.11
2.84
B
3
1.91773
0.95273
1.013755
20
310104020154
5.11
3.34
B
3
1.73715
0.8647
1.169487
21
310104020156
5.48
2.78
B
3
2.22122
1.31674
1.026548
22
310104020160
5.77
2.73
B
3
2.47403
1.60649
1.127298
23
310104020186
5.11
2.89
C
2
2.56694
1.36719
0.19799
24
310105010494
5.17
2.63
C
2
2.69644
1.49359
0.144222
25
310105010645
4.5
2.73
B
3
1.61335
0.57697
1.25016
Implementasi Metode K-Means Clustering untuk Pengelompokkan Lulusan … (Hugo A.)
910
ISSN: 0216-3284
26
310105010647
4.6
3
A
4
1.13358
1.08858
2.117782
27
310105010648
5.32
2.85
C
2
2.6972
1.51819
0.122066
28
310105010656
5.35
2.82
B
3
2.10354
1.18106
1.007422
29
310105020238
5.09
2.44
B
3
2.12408
1.16692
1.059103
30
310105020259
5.32
2.89
B
3
2.05049
1.12894
1.012176
31
310105020268
4.11
3.5
B
3
1.09183
0.28653
1.691774
32
310105020339
5.36
2.66
C
2
2.7893
1.6063
0.142127
33
310105020346
5.11
2.97
B
3
1.85957
0.90443
1.033441
34
310105020350
4.11
3.46
A
4
0.46228
1.03136
2.409087
35
310106010727
4.36
3.28
A
4
0.77006
1.00648
2.252332
36
310106010760
4.29
3.04
A
4
0.89202
1.02259
2.237342
37
310106010762
3.77
3.53
A
4
0.22091
1.14403
2.607451
38
310106010767
4.35
3.51
A
4
0.64622
1.03808
2.32112
39
310106010774
4.31
2.97
A
4
0.96021
1.04019
2.220811
40
310106010798
4.36
3.23
B
3
1.2816
0.1118
1.422146
41
310106010891
4.29
2.69
A
4
1.18962
1.14682
2.219279
42
310106020376
4.36
3.29
A
4
0.764
1.00683
2.254706
43
310106020399
3.43
3.48
A
4
0.41869
1.31351
2.800946
44
310106020436
4.36
2.87
B
3
1.46509
0.3956
1.344061
45
310106020465
4.35
2.93
B
3
1.42562
0.33526
1.35735
46
310106020495
3.36
3.66
A
4
0.40025
1.40007
2.89831
47
310106020498
4.33
3.11
C
2
2.17853
1.01292
0.987927
48
310106020521
4.36
3.07
B
3
1.35444
0.21095
1.376408
49
310106020574
4.01
2.85
C
2
2.20853
1.10345
1.244026
50
310106020588
4.08
3.11
A
4
0.72007
1.02396
2.344888
3.
Suatu data akan menjadi anggota dari suatu cluster yang memiliki jarak terkecil dari pusat clusternya. Misalkan untuk data pertama, jarak terkecil diperoleh pada cluster pertama, sehingga data pertama akan menjadi anggota dari cluster pertama. Demikian juga untuk data kedua, jarak terkecil ada pada cluster kedua, maka data tersebut akan masuk pada cluster kedua. Posisi cluster selengkapnya dapat dilihat pada Tabel 2. Tabel 2. Posisi cluster pada iterasi pertama
No.
NIM
Lama Studi
IPK
Jarkom
Bobot
1
310103010074
5.43
2.95
A
4
*
2
310103010097
4.98
3.45
A
4
*
3
310103010122
5.43
2.93
B
3
4
310103010142
4.07
2.93
B
3
5
310103010265
5.12
3.55
B
3
6
310103010267
5.12
3.79
A
4
*
7
310103010268
5.12
3.77
A
4
*
8
310103010269
4.36
3.55
A
4
*
9
310103010270
5.12
3.2
B
3
10
310103020026
4.37
3.7
A
4
PROGRESIF Vol. 9, No. 1, Pebruari 2013 : 861 – 918
C1
C2
C3
* * *
* *
PROGRESIF
ISSN: 0216-3284
11
310103020071
4
3.46
12
310104010350
4.43
13
310104010388
4.43
14
310104010409
15 16
911
B
3
*
2.87
B
3
*
2.76
C
2
*
5.11
2.64
B
3
*
310104010427
5.62
2.74
B
3
*
310104010428
6.29
2.94
B
3
*
17
310104010429
5.11
2.84
C
2
*
18
310104010455
6.08
2.63
C
2
*
19
310104010468
5.11
2.84
B
3
*
20
310104020154
5.11
3.34
B
3
*
21
310104020156
5.48
2.78
B
3
*
22
310104020160
5.77
2.73
B
3
*
23
310104020186
5.11
2.89
C
2
*
24
310105010494
5.17
2.63
C
2
*
25
310105010645
4.5
2.73
B
3
*
26
310105010647
4.6
3
A
4
*
27
310105010648
5.32
2.85
C
2
*
28
310105010656
5.35
2.82
B
3
*
29
310105020238
5.09
2.44
B
3
*
30
310105020259
5.32
2.89
B
3
*
31
310105020268
4.11
3.5
B
3
32
310105020339
5.36
2.66
C
2
33
310105020346
5.11
2.97
B
3
34
310105020350
4.11
3.46
A
4
*
35
310106010727
4.36
3.28
A
4
*
36
310106010760
4.29
3.04
A
4
*
37
310106010762
3.77
3.53
A
4
*
38
310106010767
4.35
3.51
A
4
*
39
310106010774
4.31
2.97
A
4
*
40
310106010798
4.36
3.23
B
3
*
41
310106010891
4.29
2.69
A
4
*
42
310106020376
4.36
3.29
A
4
*
43
310106020399
3.43
3.48
A
4
*
44
310106020436
4.36
2.87
B
3
*
45
310106020465
4.35
2.93
B
3
*
46
310106020495
3.36
3.66
A
4
47
310106020498
4.33
3.11
C
2
48
310106020521
4.36
3.07
B
3
49
310106020574
4.01
2.85
C
2
50
310106020588
4.08
3.11
A
4
* * *
* * * * *
Implementasi Metode K-Means Clustering untuk Pengelompokkan Lulusan … (Hugo A.)
912
ISSN: 0216-3284
4. Hitung pusat cluster baru. Untuk cluster pertama, ada 14 data yaitu data ke-6, 7, 8, 10, 34, 35, 36, 37, 38, 39, 42, 43, 46 dan data ke-50, sehingga : C11 = (5.12 + 5.12 + 4.36 + 4.37 + 4.11 + 4.36 + 4.29 + 3.77 + 4.35 + 4.31 + 4.36 + 3.43 + 3.36 + 4.08) / 14 = 4.24 C12 = (3.79 + 3.77 + 3.55 + 3.7 + 3.46 + 3.28 + 3.04 + 3.53 + 3.51 + 2.97 + 3.29 + 3.48 + 3.66 + 3.11) / 14 = 3.44 C13 = (4 + 4 + 4 + 4 + 4 + 4 + 4 + 4 + 4 + 4 + 4 + 4 + 4 + 4) / 14 = 4 Untuk cluster kedua, ada 19 data yaitu data ke-1, 2, 4, 5, 9, 11, 12, 19, 20, 25, 26, 31, 33, 40, 41, 44, 45, 48 dan data ke-49, sehingga : C21 = (5.43 + 4.98 + 4.07 + 5.12 + 5.12 + 4 + 4.43 + 5.11 + 5.11 + 4.5 + 4.6 + 4.11 + 5.11 + 4.36 + 4.29 + 4.36 + 4.35 + 4.36 + 4.01) / 19 = 4.6 C22 = (2.95 + 3.45 + 2.93 + 3.55 + 3.2 + 3.46 + 2.87 + 2.84 + 3.34 + 2.73 + 3 + 3.5 + 2.97 + 3.23 + 2.69 + 2.87 + 2.93 + 3.07 + 2.85) / 19 = 3.08 C23 = (4 + 4 + 3 + 3 + 3 + 3 + 3 + 3 + 3 + 3 + 4 + 3 + 3 + 3 + 4 + 3 + 3 + 3 + 2) / 19 = 3.16 Untuk cluster ketiga, ada 17 data yaitu data ke-3, 13, 14, 15, 16, 17, 18, 21, 22, 23, 24, 27, 28, 29, 30, 32 dan data ke-47, sehingga : C31 = (5.43 + 4.43 + 5.11 + 5.62 + 6.29 + 5.11 + 6.08 + 5.48 + 5.77 + 5.11 + 5.17 + 5.32 + 5.35 + 5.09 + 5.32 + 5.36 + 4.33) / 17 = 5.32 C32 = (2.93 + 2.76 + 2.64 + 2.74 + 2.94 + 2.84 + 2.63 + 2.78 + 2.73 + 2.89 + 2.63 + 2.85 + 2.82 + 2.44 + 2.89 + 2.66 + 3.11) / 17 = 2.78 C33 = (3 + 2 + 3 + 3 + 3 + 2 + 2 + 3 + 3 + 2 + 2 + 2 + 3 + 3 + 3 + 2 + 2) / 17 = 2.53 5. Ulangi langkah 2 hingga posisi data sudah tidak mengalami perubahan. Pada iterasi ke-6 posisi cluster tidak berubah, maka iterasi dihentikan. Sehingga didapatlah 3 cluster : a. Cluster pertama memiliki pusat (4.37, 3.35, 4) yang dapat diartikan lulusan dengan lama studi 4.37 tahun, IPK 3.35 dan bobot nilai jarkom 4 yang dikategorikan lulusan dengan kualitas kompetensi jarkom sangat memuaskan. b. Cluster kedua memiliki pusat (4.28, 3.03, 2.75) yang dapat diartikan lulusan dengan lama studi 4.28 tahun, IPK 3.03 dan bobot nilai jarkom 2.75 yang dikategorikan lulusan dengan kualitas kompetensi jarkom memuaskan. c. Cluster ketiga memiliki pusat (5.36, 2.87, 2.7) yang dapat diartikan lulusan dengan lama studi 5.36 tahun, IPK 2.87 dan bobot nilai jarkom 2.7 yang dikategorikan lulusan dengan kualitas kompetensi jarkom cukup memuaskan.
3. Hasil dan Analisis Form Proses K-Means berfungsi untuk mengelompokkan lulusan STMIK Banjarbaru berdasarkan kompetensi menggunakan metode K-Means. Form ini terdiri dari enam tab kompetensi, tab pertama untuk kompetensi pemrograman aplikasi, tab kedua untuk kompetensi pemrograman basis data, tab ketiga untuk kompetensi pemrograman web, tab keempat untuk kompetensi jarkom, tab kelima untuk kompetensi CTS dan tab keenam untuk kompetensi operator.
PROGRESIF Vol. 9, No. 1, Pebruari 2013 : 861 – 918
PROGRESIF
ISSN: 0216-3284
913
Gambar 1. Form Proses K-Means Form Laporan Kualitas Kompetensi Lulusan berfungsi untuk mencetak laporan kualitas kompetensi lulusan STMIK Banjarbaru yang terdiri dari kompetensi pemrograman aplikasi, kompetensi pemrograman basis data, kompetensi pemrograman web, kompetensi jarkom, kompetensi CTS dan kompetensi operator. Dan berfungsi untuk mencetak laporan kualitas kompetensi masing-masing lulusan STMIK Banjarbaru.
Gambar 2. Laporan Kualitas Kompetensi Lulusan
Implementasi Metode K-Means Clustering untuk Pengelompokkan Lulusan … (Hugo A.)
914
ISSN: 0216-3284
a. Hasil Pengelompokan Lulusan STMIK Banjarbaru Adapun hasil dari pengelompokan lulusan STMIK Banjarbaru berdasarkan kompetensi pada aplikasi adalah sebagai berikut : Tabel 3. Rekapitulasi Kualitas Kompetensi Sampel Lulusan STMIK Banjarbaru No. 1.
NIM
Nama
310103010074
AHMAD ROSYADI M SIDIK W ALWAHAB PURYANTO WAHYU SUPRIYANTO EKA CHANDRA KIRANA SITI ABIDAH SITI FATIMAH RAHMADI MUSLIHUDDIN BAMBANG ABDI SETIAWAN ARIZQA AULIA WAHYU MACHMUDI SISKA NOVIANTI YOAN DESTINA RIZKI AZHARI LINDA YANTI SAUMIRA MIRNAYANTI EDI IRAWAN MILA SARI RICHARD WILSON T LISBETH LIMPORO BIBING HENDRO LESMONO NUR ARMINARAHMAH DESY INDRIANI EMMA YUNITA MANURUNG PUTRI SRI WIJAYANTI ARI PURWANTI MUHAMMAD AIDY AZMI ABDUL HADI SUHARDI YULITA SETYORINI DENNY KURNIAWAN T MUHAMMAD ROZI AHMAD ZAINUDDIN TRISNAWATI NELLY APRIANA M AULIA RAHMAN ENY SULISTIANI IVA ANJAR PAWESTRI EVA PRIHARUM YUDHI CHANDRA ANTON HERMAN MARANDY MIRZA YOGY KURNIAWAN SYAIFUL AHYAT RIZKI PUSPA PEBRIANTI PRIYONO DORCE NATALIA PABONTONG SEKTI
2.
310103010097
3.
310103010122
4.
310103010142
5.
310103010265
6. 7. 8. 9.
310103010267 310103010268 310103010269 310103010270
10.
310103020026
11.
310103020071
12.
310104010350
13. 14. 15. 16.
310104010388 310104010409 310104010427 310104010428
17.
310104010429
18. 19.
310104010455 310104010468
20.
310104020154
21.
310104020156
22.
310104020160
23.
310104020186
24.
310105010494
25.
310105010645
26.
310105010647
27.
310105010648
28.
310105010656
29. 30.
310105020238 310105020259
31.
310105020268
32.
310105020339
33.
310105020346
34.
310105020350
35. 36. 37. 38.
310106010727 310106010760 310106010762 310106010767
39.
310106010774
40. 41.
310106010798 310106010891
42.
310106020376
43.
310106020399
44.
310106020436
45.
310106020465
46.
310106020495
47.
310106020498
48.
310106020521
JARKOM SM
OPERATOR M
KUALITAS KOMPETENSI P.APLIKASI P.WEB CM CM
P.BASIS DATA M
CTS SM
SM
M
M
CM
M
SM
CM
CM
CM
CM
M
CM
M
M
M
M
M
M
CM
SM
SM
SM
SM
M
SM SM SM CM
M SM M M
SM SM SM M
CM SM M CM
SM SM SM SM
SM SM SM CM
SM
SM
SM
SM
SM
SM
M
M
SM
M
SM
M
M
CM
M
M
CM
M
M CM CM CM
M M CM CM
M CM M CM
CM CM SM CM
M M CM CM
M CM CM CM
CM
M
M
CM
M
CM
CM CM
CM CM
CM CM
CM CM
CM M
CM CM
CM
SM
M
SM
SM
CM
CM
CM
CM
CM
SM
CM
CM
CM
CM
CM
CM
CM
CM
CM
M
CM
CM
CM
CM
CM
CM
CM
CM
CM
M
CM
M
CM
CM
M
SM
M
M
CM
M
SM CM
CM
CM
M
CM
CM
CM
CM
M
CM
M
CM
CM CM
CM CM
CM M
CM CM
CM M
CM CM
M
M
SM
M
SM
M
CM
CM
M
SM
CM
CM
CM
M
M
CM
M
CM
SM
SM
SM
SM
M
SM
SM SM SM SM
SM SM SM SM
SM M SM SM
SM SM SM SM
SM M SM M
SM SM SM SM
SM
SM
M
SM
M
SM
M SM
SM M
SM CM
SM CM
M M
M SM
SM
M
M
M
M
SM
SM
M
SM
M
M
SM
M
M
M
M
M
M
M
M
M
M
M
M
SM
M
SM
M
SM
SM
M
M
M
M
M
M
M
M
M
M
SM
M
PROGRESIF Vol. 9, No. 1, Pebruari 2013 : 861 – 918
PROGRESIF
49. 50.
310106020574 310106020588
Keterangan
ISSN: 0216-3284 NORMASARI HUMAIDA AGUS SETIAWAN
M SM
M SM
M SM
M SM
M CM
915
M SM
: SM = Sangat Memuaskan M = Memuaskan CM = Cukup Memuaskan
b. Hasil Perbandingan Pretest dan Posttest Dari hasil pretest dan postest diperoleh data sebagai berikut : Tabel 4. Perbandingan Pretest dan Posttest No
Nama
Profesi
1
AHMAD ROSYADI
Staff Umum Kepegawaian
2
M SIDIK WIDIATMOKO ALWAHAB
Guru TKJ SMK
3
PURYANTO
Guru TIK SMP
4
WAHYU SUPRIYANTO
Guru Multimedia
5
EKA CHANDRA KIRANA
Dosen
6
SITI ABIDAH
Dosen
7
SITI FATIMAH
Dosen
8
RAHMADI
Dosen
9
MUSLIHUDDI N
Dosen
10 11 12
BAMBANG ABDI SETIAWAN ARIZQA AULIA WAHYU MACHMUDI
Guru TKJ SMK Pranata Komputer Pranata Komputer
Kualitas Kompetensi Jarkom, CTS (Sangat Memuaskan) Operator, P. Basis Data (Memuaskan) P. Aplikasi, P. Web (Cukup Memuaskan) Jarkom, CTS (Sangat Memuaskan) P. Aplikasi, P. Basis Data, Operator (Memuaskan) P. Web (Cukup Memuaskan) P. Basis Data (Memuaskan) P. Aplikasi, P. Web, Jarkom, CTS, Operator (Cukup Memuaskan) Semua Kompetensi Memuaskan P. Aplikasi, P. Basis Data, P. Web, Operator (Sangat Memuaskan) CTS (Memuaskan) Jarkom (Cukup Memuaskan) P. Aplikasi, P. Basis Data, Jarkom, CTS (Sangat Memuaskan) Operator (Memuaskan) P. Web ( Cukup Memuaskan) Semua Kompetensi Sangat Memuaskan P. Aplikasi, P. Basis Data, Jarkom, CTS (Sangat Memuaskan) P. Web, Operator (Memuaskan) P. Basis Data (Sangat Memuaskan) P. Aplikasi, Operator (Memuaskan) P. Web, Jarkom, CTS (Cukup Memuaskan) Semua Kompetensi Sangat Memuaskan P. Aplikasi, P. Basis Data (Sangat Memuaskan) P. Web, Jarkom, CTS, Operator (Memuaskan) P. Aplikasi, P. Web, Jarkom, CTS, (Memuaskan) P. Basis Data, Operator (Cukup Memuaskan) P. Aplikasi, P. Basis Data, Jarkom, CTS, Operator (Memuaskan) P. Web (Cukup Memuaskan) P. Basis Data, Operator (Memuaskan) P. Aplikasi, P. Web, Jarkom, CTS (Cukup Memuaskan) P. Web (Sangat Memuaskan) P.Aplikasi (Memuaskan) P. Basis Data, Jarkom, CTS, Operator (Cukup Memuaskan)
Hasil Tidak Akurat Akurat
Akurat Tidak Akurat Akurat
Akurat Akurat Akurat
Akurat
Akurat Akurat Akurat Tidak Akurat
13
SISKA NOVIANTI
Humas & Protokol
14
YOAN DESTINA
Staff Admin Database
15
RIZKI AZHARI
Dosen
16
LINDA YANTI
Guru TIK SMP
Semua Kompetensi Cukup Memuaskan
Akurat
17
SAUMIRA MIRNAYANTI
Staff Admin
P. Aplikasi, P. Basis Data, Operator (Memuaskan) P. Web, Jarkom, CTS (Cukup Memuaskan)
Akurat
Akurat
Akurat
Implementasi Metode K-Means Clustering untuk Pengelompokkan Lulusan … (Hugo A.)
916
ISSN: 0216-3284
18
EDI IRAWAN
Adm
19
MILA SARI
Guru TIK SMP
20
RICHARD WILSON T
IT Support
21
LISBETH LIMPORO
Staff Admin
22
23 24 25
BIBING HENDRO LESMONO NUR ARMINARAH MAH DESY INDRIANI EMMA YUNITA MANURUNG
Semua Kompetensi Cukup Memuaskan P. Basis Data (Memuaskan) P. Aplikasi, P. Web, Jarkom, CTS, Operator (Cukup Memuaskan) P. Basis Data, P. Web, Operator (Sangat Memuaskan) P. Aplikasi (Memuaskan) Jarkom, CTS (Cukup Memuaskan) P. Basis Data (Sangat Memuaskan) P. Aplikasi, P. Web, Jarkom, CTS, Operator (Cukup Memuaskan)
Akurat Akurat
Akurat
Akurat
Verifikator IT
Semua Kompetensi Cukup Memuaskan
Tidak Akurat
Dosen
P. Aplikasi (Memuaskan) P. Basis Data, P. Web, Jarkom, CTS, Operator (Cukup Memuaskan)
Akurat
Admin Keuangan
Semua Kompetensi Cukup Memuaskan
Akurat
Staff Admin
26
PUTRI SRI WIJAYANTI
Pranata Komputer
27
ARI PURWANTI
Admin Keuangan
28
MUHAMMAD AIDY AZMI
Credit Admin
29
ABDUL HADI
Staff HRD
30
SUHARDI
Engineering CCR
31
YULITA SETYORINI
PNS Bag. Humas
32
DENNY KURNIAWAN T
IT Support
33
MUHAMMAD ROZI
Staff Admin
34
AHMAD ZAINUDDIN
Guru TKJ SMK
35
TRISNAWATI
Staff Admin
36
NELLY APRIANA
Wiraswasta
37
M AULIA RAHMAN
Staff IT & Pengolahan Data
38
ENY SULISTIANI
Pelaksanaan Administrasi
39
IVA ANJAR PAWESTRI
Staff Admin
40
EVA PRIHARUM
IT Support
P. Aplikasi, Jarkom, CTS (Memuaskan) P. Basis Data, P. Web, Operator (Cukup Memuaskan) CTS (Sangat Memuaskan) P. Aplikasi, P. Basis Data, Jarkom, Operator (Memuaskan) P. Web (Cukup Memuaskan) P. Aplikasi (Memuaskan) P. Basis Data, P. Web, Jarkom, CTS, Operator (Cukup Memuaskan) P.Aplikasi, P. Basis Data (Memuaskan) P. Web, Jarkom, CTS, Operator (Cukup Memuaskan) Semua Kompetensi Cukup Memuaskan P. Aplikasi, P. Basis Data (Memuaskan) P. Web, Jarkom, CTS, Operator (Cukup Memuaskan) P. Aplikasi, P. Basis Data (Sangat Memuaskan) P. Web, Jarkom, CTS, Operator (Memuaskan) P. Web (Sangat Memuaskan) P. Aplikasi (Memuaskan) P. Basis Data, Jarkom, CTS, Operator (Cukup Memuaskan) P. Aplikasi, P. Basis Data, Operator (Memuaskan) P. Web, Jarkom, CTS ( Cukup Memuaskan) P. Aplikasi, P. Web, Jarkom, CTS, Operator (Sangat Memuaskan) P. Basis Data (Memuaskan) Semua Kompetensi Sangat Memuaskan P. Web, Jarkom, CTS, Operator (Sangat Memuaskan) P. Aplikasi, P. Basis Data (Memuaskan) Semua Kompetensi Sangat Memuaskan P. Aplikasi, P. Web, Jarkom, CTS, Operator (Sangat Memuaskan) P. Basis Data (Memuaskan) P. Web, Jarkom, CTS, Operator (Sangat Memuaskan) P. Aplikasi, P. Basis Data (Memuaskan) P. Aplikasi, P. Web, Operator (Sangat Memuaskan) P. Basis Data, Jarkom, CTS (Memuaskan)
PROGRESIF Vol. 9, No. 1, Pebruari 2013 : 861 – 918
Akurat
Akurat
Akurat Tidak Akurat Akurat Akurat Tidak Akurat Akurat
Akurat Akurat Akurat Tidak Akurat Akurat Tidak Akurat Akurat Akurat
PROGRESIF
41
42 43 44 45
YUDHI CHANDRA ANTON HERMAN MARANDY MIRZA YOGY KURNIAWAN SYAIFUL AHYAT RIZKI PUSPA PEBRIANTI
ISSN: 0216-3284
917
Jarkom, CTS (Sangat Memuaskan) P. Basis Data, Operator (Memuaskan) P. Aplikasi, P. Web (Cukup Memuaskan) Jarkom, CTS (Sangat Memuaskan) P. Aplikasi, P. Basis Data, P. Web, Operator (Memuaskan) P. Aplikasi, Jarkom, CTS (Sangat Memuaskan) P. Basis Data, P. Web, Operator (Memuaskan)
Akurat
Semua Kompetensi Memuaskan
Tidak Akurat
Adm POSE
Semua Kompetensi Memuaskan
Akurat Akurat
Account Officer Guru dan Teknisi Dosen IT Staf
Tidak Akurat
Akurat
46
PRIYONO
Pranata Komputer
P. Aplikasi, P. Basis Data, Jarkom, CTS (Sangat Memuaskan) P. Web, Operator (Memuaskan)
47
DORCE NATALIA PABONTONG
Tenaga Pelaksana/Cl erk
Semua Kompetensi Memuaskan
Akurat
48
SEKTI NORMASARI
Teller Bank
P. Basis Data (Sangat Memuaskan) P. Aplikasi, P. Web, Jarkom, CTS, Operator (Memuaskan)
Akurat
49
HUMAIDA
Wiraswata
Semua Kompetensi Memuaskan
Tidak Akurat
50
AGUS SETIAWAN
Head Office
P. Aplikasi, P. Web, Jarkom, CTS, Operator (Sangat Memuaskan) P. Basis Data (Cukup Memuaskan)
Tidak Akurat
4. Kesimpulan Berdasarkan hasil penelitian yang dilakukan maka dapat disimpulkan bahwa hasil pengelompokan lulusan STMIK Banjarbaru berdasarkan kompetensi pada aplikasi didapat untuk a.l. a. Kompetensi jarkom 36% lulusan berpredikat Sangat Memuaskan 24% lulusan berpredikat Memuaskan, 40% lulusan berpredikat Cukup Memuaskan.
b. Kompetensi operator 24% lulusan berpredikat Sangat Memuaskan 44% lulusan berpredikat Memuaskan 32%lulusan berpredikat Cukup Memuaskan. c. Kompetensi pemrograman dan aplikasi 30% lulusan berpredikat Sangat Memuaskan 48% lulusan berpredikat Memuaskan 22% lulusan berpredikat Cukup Memuaskan. d. Kompetensi pemrograman web 28% lulusan berpredikat Sangat Memuaskan 26% lulusan berpredikat Memuaskan 46% lulusan berpredikat Cukup Memuaskan. e. kompetensi pemrograman basis data 28% lulusan berpredikat Sangat Memuaskan, 48% lulusan berpredikat Memuaskan 24% lulusan berpredikat Cukup Memuaskan. f. Untuk kompetensi CTS 36% lulusan berpredikat Sangat Memuaskan Implementasi Metode K-Means Clustering untuk Pengelompokkan Lulusan … (Hugo A.)
918
ISSN: 0216-3284
26% lulusan berpredikat Memuaskan 38% lulusan berpredikat Cukup Memuaskan. Dari hasil pengujian algoritma K-Means dalam mengelompokkan lulusan STMIK Banjarbaru (berdasarkan kompetensi) pada 50 sampel data lulusan yang diuji dalam penelitian ini didapati tingkat akurasi antara kualitas kompetensi yang dimiliki lulusan dengan data profesi lulusan sekarang mencapai 76%.
Referensi [1] Santosa B. Data Mining Teknik Pemanfaatan Data Untuk Keperluan Bisnis Yogyakarta: Graha Ilmu. 2007. [2] Witten IH, Frank E. Data Mining Practical Machine Learning Tools and Techniques, Second Edition San Fransisco: Morgan Kaufmann; 2005. [3] Agusta Y. K-Means - Penerapan, Permasalahan dan Metode Terkait. Jurnal Sistem dan Informatika. 2007; Vol. 3. [4] Agustina, Sri Rahma. Budi Rahmani. Penerapan Metode FCM untuk Pengelompokkan Kelurahan Berdasarkan Tingkatan Keluarga Sejahtera. Jurnal Teknik Informatika dan Sistem Informasi (JUTISI). 2012; Vol 1 No. 1: 77-94.
PROGRESIF Vol. 9, No. 1, Pebruari 2013 : 861 – 918
